나는 다른 것에 대해 이야기하고 있습니다. EMH의 파산을 증명하는 데 많은 시간을 할애할 가치가 없습니다. 어쨌든 거기에는 물고기가 없습니다. 예, 꼬리가 있지만 이유는 개별 뉴스가 아니라 많은 정보에 응답하기 때문입니다. 예, 이제 과학적으로 입증되었습니다. 하지만 시장은 비정상적이어서 돈을 벌기가 쉽지 않았다.
ps hehe, 몇 가지 유사한 기사를 더 읽으면 인과 관계가 초석 중 하나인 프랙탈 통계의 아이디어에 젖게 될 것입니다.
C-4 : .... 인과 관계가 초석 중 하나인 프랙탈 통계의 아이디어로 가득 차게 될 것입니다.
나는 그녀를 알고있다. 다른 방법에 비해 덜 발달했다고 생각합니다.
EMH의 지급불능을 입증하는 데 많은 시간을 할애할 가치가 없습니다. 아직 물고기가 없습니다.
나는 어떤 증거에도 관심이 없습니다. 아이디어는 완전히 다릅니다. 시장은 고정적이지 않습니다. 이것은 주어진 것입니다. 이것은 변경할 수 없습니다. 그러나 이것이 기회를 기대하면서 눈을 감아야 한다는 것을 의미하지는 않습니다. 일반적인 과학적 접근 방식: 우리는 우리가 이해하고 깨물 수 있는 부분을 꼬집습니다.
우리 모두는 통화 시리즈의 첫 번째 차이가 대략적으로 어떻게 분포되어 있는지 알고 있습니다(예: exp(-a|x|) 등). 내 임무는 이 배포판의 어느 부분이 말하자면 "외부 정보의 진정한 전달자"인지 확인하는 것이었습니다. 우리는 그렇게 합니다. 우리는 일정 기간 동안 RMS가 반환되는 것을 고려하고 각 견적에 대해 동일한 분산을 갖는 정규 분포에 대한 라플라시안 분포에 속하는 가능성 비율을 계산합니다. 이것을 계산하는 방법, 나는 멈추지 않을 것입니다. Wikipedia가 있습니다.
우도비 자체의 분포를 그릴 때 흥미로운 것이 나타납니다(더 정확하게는 로그:
그림에서 오른쪽에서 2가 잘리지만 꼬리는 이론적으로 무한대로 간다. 따라서 전체 트릭은 1/2 * ln(pi) 값에서 급격한 중단에 있습니다. 따옴표의 작은 부분은 Laplacian에 속한다는 점에서 나머지 부분과 확연히 다른 개연성을 제공합니다. 즉, 가우스 분포보다 꼬리가 두꺼운 분포입니다. 그리고 이러한 따옴표는 계산할 수 있습니다.
이 사실은 추세 평면 분석기를 효과적으로 구축하고 현재 막대에 이미 있는 기준의 준수 여부를 결정하는 데 사용할 수 있는 것 같습니다. 적어도 재난을 효과적으로 식별하고 신속하게 대응합니다.
우리 모두는 통화 시리즈의 첫 번째 차이가 대략적으로 어떻게 분포되어 있는지 알고 있습니다(예: exp(-a|x|) 등). 내 임무는 이 배포판의 어느 부분이 말하자면 "외부 정보의 진정한 전달자"인지 확인하는 것이었습니다. 우리는 그렇게 합니다. 우리는 일정 기간 동안 RMS가 반환되는 것을 고려하고 각 견적에 대해 동일한 분산을 갖는 정규 분포에 대한 라플라시안 분포에 속하는 가능성 비율을 계산합니다. 이것을 계산하는 방법, 나는 멈추지 않을 것입니다. Wikipedia가 있습니다.
우도비 자체의 분포를 그릴 때 흥미로운 것이 나타납니다(더 정확하게는 로그:
그림에서 오른쪽에서 2가 잘리지만 꼬리는 이론적으로 무한대로 간다. 따라서 전체 트릭은 1/2 * ln(pi) 값에서 급격한 중단에 있습니다. 따옴표의 작은 부분은 Laplacian에 속한다는 점에서 나머지 부분과 확연히 다른 개연성을 제공합니다. 즉, 가우스 분포보다 꼬리가 두꺼운 분포입니다. 그리고 이러한 따옴표는 계산할 수 있습니다.
이 사실은 추세 평면 분석기를 효과적으로 구축하고 현재 막대에 이미 있는 기준의 준수 여부를 결정하는 데 사용할 수 있는 것 같습니다. 적어도 재난을 효과적으로 식별하고 신속하게 대응합니다.
매우 흥미로운.
분포에 대해 이야기할 때 충분히 많은 수의 관측치를 기반으로 합니다. 그래프에서 숫자 20000을 볼 수 있습니다. 그러한 많은 관찰을 통해 분포 법칙 에 대한 결론을 도출할 수 있다는 데 동의합니다. 그러나 우리는 현재 막대를 따르는 막대에 관심이 있습니다. 그리고 여기에서 관찰 수가 많을수록 마지막 막대에 대해 더 많은 "평균" 결론을 도출합니다.
이상한 숫자 30이 있습니다. 30 이전에는 t-통계량이 있고 30 이후에는 표본이 정규 모집단이면 z-통계량이 있다고 믿어집니다.
그러므로 질문. 공개된 패턴을 큰 샘플에 사용하고 작은 샘플에 이 작은 패턴이 큰 샘플에 속한다고 가정하여 사용할 수 있습니까?
분포에 대해 이야기할 때 충분히 많은 수의 관측치를 기반으로 합니다. 그래프에서 숫자 20000을 봅니다. 그러한 많은 관찰을 통해 분포 법칙에 대한 결론을 도출할 수 있다는 데 동의합니다. 그러나 우리는 현재 막대를 따르는 막대에 관심이 있습니다. 그리고 여기에서 관찰 수가 많을수록 마지막 막대에 대해 더 많은 "평균" 결론을 도출합니다.
이상한 숫자 30이 있습니다. 30 이전에는 t-통계량이 있고 30 이후에는 표본이 정규 모집단이면 z-통계량이 있다고 믿어집니다.
그러므로 질문. 공개된 패턴을 큰 샘플에 사용하고 작은 샘플에 이 작은 패턴이 큰 샘플에 속한다고 가정하여 사용할 수 있습니까?
분배의 성격은 변하지 않습니다. 그건 그렇고, 연구 자체는 가능성 비율 행동의 이상한 특성을 육안으로 볼 수 있다는 사실에서 시작되었습니다.
그건 그렇고, 나는이 경우에 대한 다소 흥미로운 용도를 발견했습니다. 특정 작업이 시리즈의 일부 "슬라이딩" 특성을 분석하는 것이라면 고려 대상에서 비정상적인 LR이 있는 막대를 제외하면 분석 결과가 훨씬 더 매끄럽습니다. 이를 통해 외부 영향을 덜 신경쓰면서 모델의 매개변수를 보다 정확하게 추정할 수 있습니다.
나는 다른 것에 대해 이야기하고 있습니다. EMH의 파산을 증명하는 데 많은 시간을 할애할 가치가 없습니다. 어쨌든 거기에는 물고기가 없습니다. 예, 꼬리가 있지만 이유는 개별 뉴스가 아니라 많은 정보에 응답하기 때문입니다. 예, 이제 과학적으로 입증되었습니다. 하지만 시장은 비정상적이어서 돈을 벌기가 쉽지 않았다.
ps hehe, 몇 가지 유사한 기사를 더 읽으면 인과 관계가 초석 중 하나인 프랙탈 통계의 아이디어에 젖게 될 것입니다.
나는 그녀를 알고있다. 다른 방법에 비해 덜 발달했다고 생각합니다.
EMH의 지급불능을 입증하는 데 많은 시간을 할애할 가치가 없습니다. 아직 물고기가 없습니다.
나는 어떤 증거에도 관심이 없습니다. 아이디어는 완전히 다릅니다. 시장은 고정적이지 않습니다. 이것은 주어진 것입니다. 이것은 변경할 수 없습니다. 그러나 이것이 기회를 기대하면서 눈을 감아야 한다는 것을 의미하지는 않습니다. 일반적인 과학적 접근 방식: 우리는 우리가 이해하고 깨물 수 있는 부분을 꼬집습니다.
faa1947 : толстые хвосты являются результатом памяти в котире.
이것은 알려진 사실입니다.
그리고 과거 데이터에 대한 무제한 액세스(메모리)가 있는 경우 코티라에 이해할 수 없는 꼬리 형태의 메모리가 필요한 이유는 무엇입니까?
이제 꼬리가 미래의 호가 행동을 보여 준다면 이것은 귀중한 정보가 될 것입니다. 우리는 과거가 아니라 미래에 거래하고 있기 때문입니다.
이것은 알려진 사실입니다.
그리고 과거 데이터에 대한 무제한 액세스(메모리)가 있는 경우 코티라에 이해할 수 없는 꼬리 형태의 메모리가 필요한 이유는 무엇입니까?
이제 꼬리가 미래의 견적 행동을 보여 준다면 우리는 과거가 아니라 미래에 거래하기 때문에 귀중한 정보가 될 것입니다.
예, 악마는 알고 있습니다. 당신은 그냥 모든 것을 잡아.
언젠가 분배법칙의 변화를 예측에 이용한다는 기사를 본 적이 있다. 이상한 생각입니다.
공유하겠습니다.
꼬리 정보 - 흥미로운 결과가 하나 있습니다. 계산 방법을 설명하겠습니다.
우리 모두는 통화 시리즈의 첫 번째 차이가 대략적으로 어떻게 분포되어 있는지 알고 있습니다(예: exp(-a|x|) 등). 내 임무는 이 배포판의 어느 부분이 말하자면 "외부 정보의 진정한 전달자"인지 확인하는 것이었습니다. 우리는 그렇게 합니다. 우리는 일정 기간 동안 RMS가 반환되는 것을 고려하고 각 견적에 대해 동일한 분산을 갖는 정규 분포에 대한 라플라시안 분포에 속하는 가능성 비율을 계산합니다. 이것을 계산하는 방법, 나는 멈추지 않을 것입니다. Wikipedia가 있습니다.
우도비 자체의 분포를 그릴 때 흥미로운 것이 나타납니다(더 정확하게는 로그:
그림에서 오른쪽에서 2가 잘리지만 꼬리는 이론적으로 무한대로 간다. 따라서 전체 트릭은 1/2 * ln(pi) 값에서 급격한 중단에 있습니다. 따옴표의 작은 부분은 Laplacian에 속한다는 점에서 나머지 부분과 확연히 다른 개연성을 제공합니다. 즉, 가우스 분포보다 꼬리가 두꺼운 분포입니다. 그리고 이러한 따옴표는 계산할 수 있습니다.
이 사실은 추세 평면 분석기를 효과적으로 구축하고 현재 막대에 이미 있는 기준의 준수 여부를 결정하는 데 사용할 수 있는 것 같습니다. 적어도 재난을 효과적으로 식별하고 신속하게 대응합니다.
공유하겠습니다.
꼬리 정보 - 흥미로운 결과가 하나 있습니다. 계산 방법을 설명하겠습니다.
우리 모두는 통화 시리즈의 첫 번째 차이가 대략적으로 어떻게 분포되어 있는지 알고 있습니다(예: exp(-a|x|) 등). 내 임무는 이 배포판의 어느 부분이 말하자면 "외부 정보의 진정한 전달자"인지 확인하는 것이었습니다. 우리는 그렇게 합니다. 우리는 일정 기간 동안 RMS가 반환되는 것을 고려하고 각 견적에 대해 동일한 분산을 갖는 정규 분포에 대한 라플라시안 분포에 속하는 가능성 비율을 계산합니다. 이것을 계산하는 방법, 나는 멈추지 않을 것입니다. Wikipedia가 있습니다.
우도비 자체의 분포를 그릴 때 흥미로운 것이 나타납니다(더 정확하게는 로그:
그림에서 오른쪽에서 2가 잘리지만 꼬리는 이론적으로 무한대로 간다. 따라서 전체 트릭은 1/2 * ln(pi) 값에서 급격한 중단에 있습니다. 따옴표의 작은 부분은 Laplacian에 속한다는 점에서 나머지 부분과 확연히 다른 개연성을 제공합니다. 즉, 가우스 분포보다 꼬리가 두꺼운 분포입니다. 그리고 이러한 따옴표는 계산할 수 있습니다.
이 사실은 추세 평면 분석기를 효과적으로 구축하고 현재 막대에 이미 있는 기준의 준수 여부를 결정하는 데 사용할 수 있는 것 같습니다. 적어도 재난을 효과적으로 식별하고 신속하게 대응합니다.
매우 흥미로운.
분포에 대해 이야기할 때 충분히 많은 수의 관측치를 기반으로 합니다. 그래프에서 숫자 20000을 볼 수 있습니다. 그러한 많은 관찰을 통해 분포 법칙 에 대한 결론을 도출할 수 있다는 데 동의합니다. 그러나 우리는 현재 막대를 따르는 막대에 관심이 있습니다. 그리고 여기에서 관찰 수가 많을수록 마지막 막대에 대해 더 많은 "평균" 결론을 도출합니다.
이상한 숫자 30이 있습니다. 30 이전에는 t-통계량이 있고 30 이후에는 표본이 정규 모집단이면 z-통계량이 있다고 믿어집니다.
그러므로 질문. 공개된 패턴을 큰 샘플에 사용하고 작은 샘플에 이 작은 패턴이 큰 샘플에 속한다고 가정하여 사용할 수 있습니까?
매우 흥미로운.
분포에 대해 이야기할 때 충분히 많은 수의 관측치를 기반으로 합니다. 그래프에서 숫자 20000을 봅니다. 그러한 많은 관찰을 통해 분포 법칙에 대한 결론을 도출할 수 있다는 데 동의합니다. 그러나 우리는 현재 막대를 따르는 막대에 관심이 있습니다. 그리고 여기에서 관찰 수가 많을수록 마지막 막대에 대해 더 많은 "평균" 결론을 도출합니다.
이상한 숫자 30이 있습니다. 30 이전에는 t-통계량이 있고 30 이후에는 표본이 정규 모집단이면 z-통계량이 있다고 믿어집니다.
그러므로 질문. 공개된 패턴을 큰 샘플에 사용하고 작은 샘플에 이 작은 패턴이 큰 샘플에 속한다고 가정하여 사용할 수 있습니까?
분배의 성격은 변하지 않습니다. 그건 그렇고, 연구 자체는 가능성 비율 행동의 이상한 특성을 육안으로 볼 수 있다는 사실에서 시작되었습니다.